दोस्त ने पूछा—गेम का NPC असली आदमी बोल रहा है? मैं हँस पड़ा—फ्री आवाज़ क्लोनिंग का जादू
पिछले हफ्ते रात को दोस्तों के साथ मल्टीप्लेयर खेल रहा था। अचानक एक दोस्त ने हेडफोन में चिल्लाकर कहा—"अरे यार, ये NPC की आवाज़ तो बिल्कुल असली लग रही है! किसने डब की है?"
मैं ज़ोर से हँस पड़ा। क्योंकि वो आवाज़ थी मेरी—हाँ, मेरी ही, लेकिन थोड़ी बदली हुई। मैंने उसे बताया कि ये सब फ्री आवाज़ क्लोनिंग से बनाया है, और बनाने में लगे थे शायद दस मिनट।
अब आप सोच रहे होंगे—यार, ये क्या बकवास है? दस मिनट में असली जैसी आवाज़? सच में, छह महीने पहले मैं भी नहीं मानता। लेकिन जब से मैंने ऑनलाइन टेक्स्ट टू स्पीच वाली साइट पकड़ी है, मेरे गेम प्रोजेक्ट की पूरी डबिंग ही बदल गई है।
"मशीनी आवाज़" से "असली इंसान" तक—बस एक क्लोन की दूरी
पहले मैं भी उन बड़ी कंपनियों वाले TTS इस्तेमाल करता था। हाँ, वो सुनने में ठीक लगते हैं, लेकिन जैसे ही दो किरदार बोलते हैं, समझ जाते हो—AI है। सबकी आवाज़ एक जैसी, कोई जान नहीं। गेमर्स तुरंत बोर हो जाते हैं।
फिर मैंने फ्री आवाज़ क्लोनिंग ट्राई की। पहले अपनी आवाज़ के तीन वाक्य रिकॉर्ड किए, बस उतना ही। फिर हर NPC के लिए अलग आवाज़ सेट की—गाँव का बूढ़ा मुखिया, तो आवाज़ भारी और धीमी; परियों वाली लड़की, तो आवाज़ में हल्की सी मिठास; और खलनायक, तो आवाज़ दबाकर, हल्की सी खरखराहट के साथ।
अगले ही दिन दोस्त ने पूछा—"तूने प्रोफेशनल डबिंग आर्टिस्ट बुला लिया क्या?"
सच कहूँ तो, ये टूल मेरी उम्मीद से कहीं ज़्यादा समझदार है। ये सिर्फ़ पिच नहीं बदलता—बोलने का अंदाज़, रुकना, साँस लेना—सब कॉपी कर लेता है। मैंने एक डायलॉग के हर हिस्से को अलग-अलग भावना टैग दिए, और नतीजा ऐसा आया जैसे कोई एक्टर परफॉर्म कर रहा हो।
गलतियाँ जो मैंने कीं—क्लोन को "रिकॉर्डर" मत समझो
पहली बार में मैं लालच में आ गया। सोचा, एक साथ पाँच किरदार क्लोन कर लूँ।
नतीजा? सारी आवाज़ें आपस में घुलमिल गईं। जैसे पाँच लोग एक ही मुँह से बोल रहे हों। फिर समझ आया—फ्री आवाज़ क्लोनिंग AI को हर किरदार के लिए कम से कम 15 सेकंड की साफ़ आवाज़ चाहिए, और वो भी एक ही भावना में।
एक और बार मैंने गेम का असली ऑडियो क्लोन करने की कोशिश की। भाई, कॉपीराइट का डर तो अलग ही था—मैं तो डर गया था। अब मैं हमेशा खुद रिकॉर्ड करता हूँ, या फिर साइट पर दिए गए रेडीमेड सैंपल इस्तेमाल करता हूँ।
और हाँ, ये फ्री आवाज़ क्लोनिंग वेबसाइट बिना रजिस्ट्रेशन के चलती है। खोलो, रिकॉर्ड करो, ड्रैग और ड्रॉप—बस।
मल्टी-कैरेक्टर डबिंग का असली तरीका
अब मेरा फ्लो ये है—पहले डायलॉग लिखता हूँ, फिर हर किरदार के लिए एक बेस आवाज़ चुनता हूँ (साइट पर दर्जनों प्रीसेट हैं), फिर स्पीड, पिच और इमोशन लेवल थोड़ा ऊपर-नीचे करता हूँ।
सबसे ज़रूरी है "किरदार को जोड़कर रखना"—एक ही किरदार की सारी लाइनें एक ही क्लोन मॉडल से बनाओ, बीच में बदलो मत।
वैसे, फ्री आवाज़ क्लोनिंग से टेक्स्ट पढ़वाना लंबे डायलॉग के लिए कमाल का है। ये खुद वाक्य तोड़ता है, मुझे कॉमा-फुलस्टॉप लगाने की ज़रूरत नहीं पड़ती।
"फ्री" के पीछे की सच्चाई
आप पूछेंगे—हमेशा के लिए फ्री? सच में?
मैंने एक महीने से ज़्यादा इस्तेमाल किया, एक पैसा नहीं दिया, और न ही कोई पे-वॉल आया। लेकिन ध्यान रहे—फ्री वर्जन में रोज़ का कैरेक्टर लिमिट है, जो लगभग दो-तीन घंटे की ऑडियो के बराबर है।
साथ ही, फ्री आवाज़ क्लोनिंग nice voice वाले वर्जन की क्वालिटी 44.1kHz तक है। गेम इफेक्ट्स के लिए बढ़िया है, लेकिन अगर रेडियो ड्रामा बनाना है, तो बिना साइनअप आवाज़ क्लोनिंग वाले कई मॉडल ट्राई करने पड़ेंगे।
मेरा असली टूल है फ्री आवाज़ क्लोनिंग आधिकारिक साइट—स्थिर, बिना विज्ञापन, और सीधा।
लाइव डेमो—एक "शरारती बिल्ली" NPC की डबिंग
पिछले हफ्ते एक नया काम आया—एक बिल्ली वाली NPC, जो बोलती है "हम्फ, मैं तुम्हारा इंतज़ार नहीं कर रही थी!"—ऐसी शरारत भरी लाइनें।
पहले मैंने प्रीसेट "लड़की वाली आवाज़" से कोशिश की। बहुत मीठी लगी, लेकिन वो शरारत वाला "हम्फ" नहीं आया। फिर मैंने खुद उस अंदाज़ में बोलकर 20 सेकंड रिकॉर्ड किया, और क्लोन कर दिया।
जो आवाज़ आई, उसे सुनकर मैं दो पल के लिए सकते में आ गया—वो "हम्फ" ऊपर उठता हुआ, बीच में हल्की सी नाक की आवाज़—बिल्कुल असली बिल्ली। जब मैंने गेम में डाला, तो एक साथी ने पूछा—"ये डबिंग किसने की है?" मैंने कहा—AI। उसने स्क्रीन देखी, फिर बोला—"तो ये AI एक्टिंग भी कर सकता है?"
भावना का जादू—छोटी सी ट्रिक
ज़्यादातर ट्यूटोरियल ये नहीं बताते—क्लोनिंग में भावना टैग आवाज़ से भी ज़्यादा ज़रूरी है।
जैसे "तुम आखिर आ गए"—इसे "हैरानी" टैग के साथ बोलो, या "नाराज़गी" के साथ—दोनों का फर्क़ आसमान-ज़मीन का। मैं हर लाइन से पहले भावना लिखता हूँ, जैसे "[खुश] तुम आखिर आ गए"—इंजन इसे समझता है।
एक और ट्रिक—अगर चाहते हो कि किरदार "साँस फूली हुई" लगे, तो लाइन के आखिर में तीन डॉट लगाओ। TTS अपने आप आवाज़ खींच देगा। मैन्युअल ब्रीदिंग पैरामीटर से ज़्यादा नेचुरल लगता है।
सवाल-जवाब
क्या क्लोन की हुई आवाज़ में "इलेक्ट्रॉनिक" जैसा पन आता है?
अच्छा सवाल है। मुझे भी पहले डर था। लेकिन अच्छी क्वालिटी का रेफरेंस ऑडियो दो, तो नहीं आता। हाँ, अगर आवाज़ साफ़ नहीं है या बैकग्राउंड नॉइज़ है, तो थोड़ी सी रोबोटिक लग सकती है।
मल्टीपल किरदारों के बीच आवाज़ बदलने में दिक्कत आती है?
मैं हर किरदार का अलग ऑडियो फाइल बनाता हूँ, फिर गेम इंजन में ट्रिगर के हिसाब से चलाता हूँ। इससे कोई झटका नहीं लगता, और हर किरदार का अपना इमोशन कर्व रहता है।
क्या इससे गाने गाए जा सकते हैं?
हाँ, फ्री आवाज़ क्लोनिंग गाना मोड में मैंने एक डेमो गाना महिला आवाज़ में कवर किया—सुनने लायक था। लेकिन गाना बोलने से मुश्किल है—ज़्यादा लंबा रेफरेंस चाहिए, और पिच सुधारने के लिए बाद में एडिटिंग करनी पड़ती है।
आखिरी बात
अब जब कोई पूछता है—"ये NPC किसने डब किया?"—मैं कहता हूँ, "एक फ्री AI ने—फ्री आवाज़ क्लोनिंग प्लेटफॉर्म।" वो मानते नहीं, तो मैं लाइव डेमो करता हूँ—दो लाइन बोलता हूँ, क्लोन करता हूँ, फिर नया डायलॉग जनरेट करता हूँ—पूरा प्रोसेस दो मिनट से कम।
सोचो, दस साल पहले इसके लिए कितने पैसे देने पड़ते? अब तो घर बैठे, मुफ्त में।
तो बताओ, तुम्हारे पास कोई गेम किरदार है, जिसकी आवाज़ तुम खुद बनाना चाहोगे?